结构方程模型的例子课件

Click to edit Master title style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,结构方程模型的例子,(Structural Equation Model Examples),结构方程模型的例子(Structural Equation,大纲,结构方程模型的原理,处理可观察的测量项目,(Observed indicators),的不同方法,雀巢模型,(,嵌入模型,;Nested Models),的统计测试原理,应用结构方程模型时要注意的重点,讨论几个应用结构方程模型的研究例子。,大纲 结构方程模型的原理,图一：,SEM Path Diagram,的例子,x1,x2,x3,x4,x5,x6,1,2,3,4,5,6,y1,y2,y3,y4,y5,y6,1,2,3,4,5,6,1,2,1,2,1,2,3,4,5,6,7,8,9,10,11,12,1,1,2,3,1,2,1,图一：SEM Path Diagram的例子x1x2x3x4,注,(,图一,),xi(or ksi;1,及,2),是自变项,(Independent Variable,；在,SEM,中称为,Exogenous variables),；,eta(1,及,2),是依变项,(Dependent Variable,；在,SEM,中称为,Endogenous variables),；,x1,x2,x3,是,1,的测量项目、测量误差为,delta(1,2,3),；,x4,x5,x6,是,1,的测量项目、测量误差为,delta(4,5,6),；,y1,y2,y3,是,1,的测量项目、测量误差为,epsilon(1,2,3),；,y4,y5,y6,是,1,的测量项目、测量误差为,epsilon(4,5,6),；,lambda(1,到,12),是各自变项及依变项与其测量项目的关系；,gamma(1,到,3),是自变项与依变项的关系；,beta(1),是依变项之间的关系；,zeta(1,及,2),是依变项尚未能被自变项及其他依变项解释到的部分变异量；,phi(1),是自变项之间的关系；,基本假设是：,与,是无关的；,与,是无关的；,与,是无关的；,及,三者是无关的。,注(图一)xi(or ksi;1及2)是自变项(I,结构模型的方程式,(,Structural Model Equations,),潜在构念,(latent construct),或潜在变项,(latent variable),间之关系,:,1=11+22+1,2=32+11+2,结构模型的方程式(Structural Model E,测量模型的方程式,(,Measurement Model Equations,),观察变项或观察指标,(observed indicator),与构念的关系,(CFA):,x1=,11+1,y,1=,71+1,x2=,2,1+,2,y,2=,81+2,x3=,3,1+,3,y,3=,91+3,x4=,42+4,y,4=,102+4,x5=,52+5,y,5=,112+5,x,6=,62+6,y,6=,122+6,测量模型的方程式(Measurement Model E,结构方程模型的分析特点,透过所有观察变项之间的变异量和共变量，来验证理如图一的理论模型,(,因此有些研究人员也把结构方程模型称为共变量结构分析；,Covariance Structure Analysis),。,基本而言，它同时地,(simultaneously),验证了测量及结构模型的两个系列的方程式。,结构方程模型的分析特点透过所有观察变项之间的变异量和,验证理论模型的逻辑,(1),设立保守假设,:,即以提出的理论模型,(,如图一者,),来描述母体的情况是可以接受的,。,验证理论模型的逻辑(1)设立保守假设:,验证理论模型的逻辑,(2),抽取样本，得到各观察变项之间的变异量和共变量的资料，然后计算模型中的所有统计数,(statistics),借以估计母体的参数,(,包括,(beta),、,(gamma),、,(phi),、,(lambda),、,(delta),、,(epsilon),及,(zeta),等等,),。,这个估计的基础与,CFA,和回归分析是一样的，那就是找出在误差最小的情形下的一组统计数，由于牵涉的误差和其他统计数都不是单一的，所以这估计会更为复杂，但基本的原理和方法是一样的。,验证理论模型的逻辑(2)抽取样本，得到各观察变项之间的,验证理论模型的逻辑,(3)-1,比较我们的样本与保守假设正确时的理论模型的吻合程度。,在这里我们尚没有一个如其他统计测试一般的,P,值,(P value),使我们可以用单一及准确的机率来下结论，而是用一些吻合指数,(fit index),来决定。,原理和回归分析没有太大分别，在回归分析中我们以,R,2,，即依变项能被自变项解释的变异量比重来判断是否接受这回归模型，同样地，在结构方程模型中，我们是以不能解释的误差，即,(delta),、,(epsilon),及,(zeta),等所占的总体变异量来判断吻合程度，如果它们占的比重愈低，便代表断吻合度愈高,),。,验证理论模型的逻辑(3)-1比较我们的样本与保守假设正确时,验证理论模型的逻辑,(3)-2,组织行为及人力资源管理,(OBHR),研究中通常会检定的吻合指数为：,RMSEA(,或类似的,RMR,；最好是少于,0.08),NNFI(,也称为,TLI,；最好是大于,0.90),CFI(,最好是大于,0.90),此外，我们一般都会报告,Chi-Square(,2,),及其,Degrees of Freedom(,它们的比率最好少于,2.5),、及,GFI(,最好是大于,0.90),，但是,Chi-Square,和,GFI,与样本数有很大的关系，很多时样本数愈大，它们反而更不理想，所以相对而言，,RMSEA,、,TLI,和,CFI,在判定是否接受原来关系假设更为重要。,验证理论模型的逻辑(3)-2组织行为及人力资源管理(OBH,验证理论模型的逻辑,(4),下结论：如果吻合程度低，我们便推翻保守假设。,当我们接受了保守假设的理论模型后，也可对个别的参数,(,尤其是,和,),作统计测试，而且这些统计测试是可以用,P,值来下结论的。与回归分析一样，,和,的样本统计数的分布,(Sampling Distribution),是,t,分布,(t distribution),，所以进行的是,t,测试,(t-test),。,验证理论模型的逻辑(4)下结论：如果吻合程度低，我们便推翻,验证结构方程模型的步骤,验证测量工具是否具备可接受的信度和效度，如果答案是肯定的话，我们才可进一步验证构念之间的关系。所以，先对测量模型的方程式进行吻合度的验证,(,即,CFA),。,当,CFA,的结果可接受时，把结构模型的方程式也一起计算，以验证提出的理论模型,(,如图一者,),及个别的参数，尤其是,和,的情况。,验证结构方程模型的步骤验证测量工具是否具备可接受的信度和效度,观察指标,(observed indicator),要对理论模型进行结构模型的方程式的分析,:,除了理论模型本身的合理性及合符我们对科学理论要求的基本原则外,;,处理观察指标,(observed indicator,；或称为观察变项,),，因为它们的变异量和共变量是分析的原始资料，因此如何处理这些观察指标最为重要。,观察指标(observed indicator)要对理论,观察指标的数目,以图一为例，我们共有,12,个观察指标,(,即,x1,到,x6,及,y1,到,y6),，这,12,个指标共提供了,78,个变异量和共变量的数据,(,有,n,个指标，便有,【n(n+1)/2】,个数据,),，而我们要估计的参数,(,即,(beta),、,(gamma),、,(phi),、,(lambda),、,(delta),、,(epsilon),及,(zeta),等等,),共有,31,个，因此我们可以确定这些指标应提供了足够的资料让我们估计模型中设定的参数。,但是，如果要估计的参数数目竟然比指标提供的变异量和共变量数目还要大，那么结构模型的方程式的分析是没法进行的，我们称这个为模型的,identification,问题。,观察指标的数目以图一为例，我们共有12个观察指标(即,A,B,C,太复杂的模型，如上图的模型,(,为了清晰起见，我们省略了测量项目的部分,),，无论有多少个观察指标，都是,not identified,的。,ABC太复杂的模型，如上图的模型(为了清晰起见，我们省略了测,A1,B1,C1,A2,B2,C2,遇到互为因果的理论，可用追踪设计,(longitudinal design),，即在两个或以上的时间点测量各构念，便可解决,identification,的问题。,A1B1C1A2B2C2遇到互为因果的理论，可用追踪设计(l,解决,identification,的问题,我们可以看一下提出的理论模型是否过于复杂，有违科学理论应该简约,(,parsimonious,),的原则。,增加观察指标的数目,:,在增加观察指标数目时，我们必须注意样本数的问题,(,在回归分析中我们会建议样本数与要估计的参数数目之比例最少应为,5,比,1),。,解决identification的问题我们可以看一下提出,观察指标的数目太多的问题,-1,Mathieu and Farr(1991):,把每一构念的测量项目先强迫为一个因子的因子分析，然后以负荷量作为准则来组合测量项目，使最后的三个观察指标的平均负荷量相约：,Three indicators were established for each multi-item measure by first fitting a single factor solution to each set of items and then averaging the items with highest and lowest loadings to form the first indicator,averaging the items with the next highest and lowest loadings to form the second indicator,and so forth until all items were assigned to one of the three indicators for each variable.,观察指标的数目太多的问题-1 Mathieu and F,观察指标的数目太多的问题,-2,我们也可随机地把测量项目分派到最后的三个观察指标中。,如果一些构念本身是有不同构面,(dimension),的，例如工作满足感的测量项目是针对不同的构面,(,如薪酬、晋升、主管、同事及工作内容,),，可把不同构面的项目，取其平均作为构念的观察指标。,观察指标的数目太多的问题-2我们也可随机地把测量项目分派,单一观察指标,(single indicator),需要设定相关的,(,或,),和,的数值。,如果这些测量项目的信度为,：,(1),是,的平方根；,(2)(,或,),是这个观察指标的变异量和,(1-),相乘的积。,单一观察指标(single indicator)需要设,单一观察指标方程式的证明,x,=l,t,+e,t,x,e,单一观察指标方程式的证明x=l t+etxe,特殊的单一观察指标,有些构念则在本质上祗有一个观察指标,(,例如年龄、性别、离职与否,),，因此也要用这个单一观察指标的办法，而这些观察指标的信度我们可假设为一，所以,(,或,),可以设定为零，而,可以设定为一。,特殊的单一观察指标有些构念则在本质上祗有一个观察指标,雀巢,(,嵌入,),模型,(Nested